ComBat多批次质谱数据校正与验证 - 第1节
为什么我们要从质谱数据讲起？
做ComBat校正之前，你得先搞明白一件事——你在跟什么样的数据打交道。
我第一次接触多批次质谱数据时，差点被各种格式搞疯。z这玩意儿跟测序数据完全是两码事。质谱仪出来的原始数据，说白了就是一堆离子信号的记录。你得知道它怎么来的、长什么样、用什么工具打开，才能谈得上后面的批次校正。
我个人习惯把质谱数据产生到解析的过程，看作一条流水线。从样本进仪器，到最终拿到定量矩阵，中间每个环节都会埋下「批次效应」的种子。不理解这些环节，ComBat用得再好也是盲人摸象。
质谱仪是怎么工作的？
质谱仪的核心原理，根本不复杂。三句话就能说清楚：
- 离子化：把样本里的分子带上电荷，变成离子
- 质量分离：根据质荷比（m/z）把这些离子分开
- 检测：记录每个质荷比对应的离子数量
我在项目中遇到过一种情况：两台同型号的质谱仪，设置的离子源温度差了5°C，出来的肽段谱图就明显不一样。你看，这就是批次效应的源头之一——仪器参数哪怕微调，数据都会变。
常用的质谱仪类型，我按工作场景列了个表：
| 类型 | 原理 | 常见应用 |
|---|---|---|
| 四极杆 (Q) | 电场筛选特定m/z离子 | 靶向定量 |
| 离子阱 (IT) | 捕获离子并逐级释放 | DDA鉴定 |
| 飞行时间 (TOF) | 测量离子飞行速度 | DIA全扫描 |
| Orbitrap | 轨道阱高分辨检测 | 高精度定性与定量 |
你想想看，如果第一个批次用Orbitrap跑，第二个批次换成Q-TOF，那数据还能直接合并吗？答案显然是否定的。这就是为什么理解仪器原理，是做ComBat校正的前置条件。
DDA与DIA：两种完全不同的采集哲学
数据采集模式直接决定了你拿到的「原始数据」长什么样。这一点我吃了不少亏，当初刚开始做质谱分析时，搞混了DDA和DIA的输出格式，把DDA的结果当成DIA去处理，结果定量矩阵全是错的。
DDA模式（数据依赖采集）
DDA的思路很简单：先扫一张全谱（MS1），挑出信号最强的几个母离子，再逐个打碎做二级谱（MS2）。
- 优点：谱图干净，鉴定率高
- 缺点：随机采样，低丰度肽段容易被漏掉
- 输出：每个样本的MS2谱图数量有限
DIA模式（数据非依赖采集）
DIA换个玩法：不管信号强弱，把整个质荷比范围切成若干窗口，每个窗口内的所有离子一起打碎。
- 优点：全覆盖，可回溯，适合大样本队列
- 缺点：谱图复杂，解析难度大
- 输出：每个样本的MS2谱图爆炸式增长
核心区别：DDA是你让质谱仪「自己选」哪些离子去做二级；DIA是你「强行规定」哪些窗口内的离子全部去做二级。后者产生的数据，批次之间的可比性天然更好——但也更需要ComBat来消除残留的系统误差。
绕不开的三种数据格式
质谱数据的格式，经常让新手头皮发麻。嗯，这里要注意：不同格式存储的信息层面完全不一样。我个人最喜欢用mzML做分析，因为它兼顾了完整性和可读性。
mzML
HUPO PSI社区推出，专门为了统一质谱数据存储。它把每个扫描周期的信息都保留下来，包括峰列表、保留时间、仪器参数。说白了，这是最「信息无损」的格式。
mzXML
比mzML早一些，功能类似，但现在社区更推荐mzML。我在项目中遇到很多历史数据是mzXML格式，需要转换才能进入统一分析流程。
MGF
MGF只存谱图信息，不包含原始峰形和仪器参数。它轻量、易读，但信息丢失较多。我曾经因为直接用MGF做多批次合并，忽略了仪器状态字段的缺失，导致后期校正时找不到批次来源——这个坑大家一定要绕过去。
给个简单对比：
| 格式 | 信息完整度 | 文件大小 | 推荐场景 |
|---|---|---|---|
| mzML | 高 | 大 | 正式分析、归档 |
| mzXML | 较高 | 较大 | 兼容旧流程 |
| MGF | 低 | 小 | 简单鉴定、快速浏览 |
千万不要因为MGF文件小就只保留它。做批次校准时，你需要知道每个谱图来自哪个批次、哪台仪器、什么参数——这些信息在MGF里可能一个都没有。
解析工具：打开质谱数据的钥匙
拿到raw文件或者mzML之后，怎么变成能喂给ComBat的定量矩阵？我列几个常用的工具，都是自己用过至少三年以上的：
OpenMS
开源界的扛把子。Pipeline式的处理，从峰检测到定量矩阵输出，一步到位。推荐用TOPPView看谱图质量，再用FeatureFinderIdentification做峰对齐。
ProteoWizard (msconvert)
格式转换的瑞士军刀。我建议任何质谱分析流程的第一步，都先用msconvert把原始raw转成mzML。命令行操作很简单：
msconvert input.raw --mzML --filter "peakPicking true 1-"
--filter "msLevel 1-2" --output output.mzMLpymzML
Python直接操作mzML的利器。适合写自定义脚本做数据质量检查。
from pymzml import run
reader = run.Reader('output.mzML')
for spectrum in reader:
print(spectrum['ms level'], len(spectrum.peaks))我个人习惯：先用msconvert统一转成mzML，用pymzML快速扫描一遍数据完整性，再用OpenMS做定性与定量。这套流程在多批次项目中跑了不下百次，非常稳。
从样本到定量矩阵：一次完整的知识串联
我把上面讲的东西串成一张图，这能帮你理清整个第一章的知识骨架：
这张图把从样本到定量矩阵的整个流程跑了一遍。你会发现，每个环节都可能引入批次差异。比如：今天用的色谱柱跟上次不同，DDA采集时选峰的阈值有偏差，甚至解析软件版本升级了，定量结果都会漂移。
我建议你把这张图保存下来，之后讲到ComBat校正的每个步骤时，随时回看它是处于流程的哪个位置。
好了，第一章就到这里。你如果现在去检查手头的质谱数据，能分清哪个是DDA哪个是DIA了，也能说出mzML比MGF多存了哪些信息——那这章没白看。记得，理解数据本身，永远比直接跑模型更重要。这是我一贯的做事原则。